添加式分片流形学习-SpringerStaticContentServer.PDFVIP

Han Z, Meng D, Xu Z et al. Incremental alignment manifold learning. JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY 26(1): 153-165 Jan. 2011. DOI 10.1007/s11390-011-1118-7 添加式分片流形学习 1．本文的创新点 近年来，一种非线性降维方法，流形学习受到了广泛关注。它旨在构造高维数据的本质 低维流形表达，并已在多个研究领域得到应用。针对提高流形学习的求解效率和扩展能力， 本文提出了添加式分片流形学习方法。该方法通过结合两种提高流形学习的手段，添加式学 习方法和分片式学习方法，保留了添加式方法中拓展能力强、分片式方法中计算效率高、保 结构性好等优势，弥补了两种方法中各自的弱势，构造到了一个在准确性、高效性及拓展性 得到大幅提高的流形学习方法。 2 ．实现方法 该方法包括添加式搜索和分片拼接两大步骤。在第一阶段，在已搜索到的高维数据周围 寻找相交的近邻片，而后将其加入的已搜索数据集中。通过若干步添加式的搜索，原数据被 分割为一系列相交的近邻片。第二阶段中，首先利用局部线性降维方法，得到每个近邻片的 局部低维表示，而后利用近邻片的相交性和局部保线性，通过线性变换，将近邻片的局部低 维结果不断地拼接到一起，从而得到原高维数据的全局低维表达。在拼接的过程中包含一个 拼接误差评估步骤，在该步骤的帮助下，包含环形结构等有特殊结构的流形数据也可以得到 妥善的处理。另外，因为其添加性特点，对于外来样本，通过在已有数据集中寻找新样本的 近邻，可以有效地得到将外来样本的低维表示并将其嵌入到全局低维结果中。 3 ．结论及未来待解决的问题 该方法将添加式思想和分片式思想完美地结合在一起。这两种思想的结合使得该方法具 有以下特点及优势：1）具有很高的运算效率，大大改善了传统流形学习方法速度缓慢的问 题；2 ）能很好地解决包含环状流形的数据和多类流形的数据，具有很强的广泛适用性；3 ） 能够轻松地解决外来样本问题，使得算法的拓展能力得到很大提高；4 ）非常好的保形性， 同时避免了添加嵌入结果的局部极小问题，使得降维结果更加精确，并保证了低维表示的全 局结构。在未来的工作中，该方法将被应用于解决更多大规模现实数据和包含噪声以及坏点 样本的问题，以验证该算法的有效性并发挥其优势解决现实问题。 4 ．实用价值或应用前景 对于现今信息爆炸的时代，如何对大规模数据进行有效的处理和存储是人们关注的问题 之一。传统的流形学习方法因为运行效率和存储空间等问题在处理大数据量问题上显得比较 吃力。该算法的添加式分片特性保证了非线性降维结果的精确和处理过程的高效。其对于运 算时间和存储空间的需求都很小，可以应用于大规模数据的处理，同时更加精确的本质低维 表达将为复杂数据的分类、识别等进一步的处理提供更为有效的支持。